如何解释glmmTMB-beta模型emmeans输出的优势比？相关疑问解答

拟合的beta混合模型输出 #

Family: beta  ( logit )
Formula:          FvFm ~ hora * temperatura + (1 | Experimento)
Data: d

     AIC      BIC   logLik deviance df.resid 
  -730.4   -711.2    371.2   -742.4      174 

Random effects:

Conditional model:
 Groups      Name        Variance Std.Dev.
 Experimento (Intercept) 0.0099   0.0995  
Number of obs: 180, groups:  Experimento, 5

Dispersion parameter for beta family ():  262 

Conditional model:
                    Estimate Std. Error z value Pr(>|z|)    
(Intercept)          0.26960    0.04821    5.59 2.24e-08 ***
hora4                0.03181    0.02627    1.21   0.2260    
temperatura20        0.05626    0.02630    2.14   0.0324 *  
hora4:temperatura20 -1.44971    0.03859  -37.56  < 2e-16 ***

emmeans后验检验结果（type="response"） #

> emmGrid<-emmeans(m2, specs=pairwise~temperatura*hora, type="response")
> emmGrid
$emmeans
 temperatura hora response      SE  df asymp.LCL asymp.UCL
 2           0       0.567 0.01184 Inf     0.544     0.590
 20          0       0.581 0.01175 Inf     0.558     0.604
 2           4       0.575 0.01179 Inf     0.552     0.598
 20          4       0.251 0.00928 Inf     0.233     0.270

Confidence level used: 0.95 
Intervals are back-transformed from the logit scale 

$contrasts
 contrast                                  odds.ratio     SE  df null z.ratio p.value
 temperatura2 hora0 / temperatura20 hora0       0.945 0.0249 Inf    1  -2.139  0.1408
 temperatura2 hora0 / temperatura2 hora4        0.969 0.0254 Inf    1  -1.211  0.6200
 temperatura2 hora0 / temperatura20 hora4       3.903 0.1101 Inf    1  48.268  &lt;.0001
 temperatura20 hora0 / temperatura2 hora4       1.025 0.0270 Inf    1   0.929  0.7894
 temperatura20 hora0 / temperatura20 hora4      4.128 0.1167 Inf    1  50.149  &lt;.0001
 temperatura2 hora4 / temperatura20 hora4       4.029 0.1138 Inf    1  49.346  &lt;.0001

P value adjustment: tukey method for comparing a family of 4 estimates 
Tests are performed on the log odds ratio scale

疑问 #

1. 对glmmTMB-beta模型进行该检验是否可行？
2. 若可行，如何解读这些优势比？我了解到优势比为1表示无差异，接近4则表示发生概率高4倍，仅显著结果有效？
3. 输出中的优势比是否基于logit尺度？

回答 #

1. 检验可行性

完全可行。glmmTMB的beta模型与emmeans完全兼容，只要模型拟合合理（比如你的模型AIC/BIC指标正常，随机效应方差有实际意义），这种后验边际均值对比检验就是合规且可靠的。emmeans会正确处理模型的logit链接函数和随机效应结构，输出结果符合统计推断要求。

2. 优势比解读

• 优势比=1：表示两组的**优势（odds）**无差异，对应Fv/Fm的预测均值在统计上没有显著区别。这里的优势指的是p/(1-p)，其中p是响应变量的边际均值（即输出里的response值）。
• 优势比≈4：比如temperatura2 hora0 / temperatura20 hora4的优势比为3.903，意思是前者的优势是后者的约4倍。换算成具体概率来看：前者Fv/Fm均值0.567，优势为0.567/(1-0.567)≈1.31；后者均值0.251，优势为0.251/(1-0.251)≈0.335，1.31/0.335≈3.91，和优势比一致。注意这里不是“发生概率高4倍”，而是优势为4倍，概率差异需要结合实际数值判断。
• 显著性判断：只有经过校正后p值显著（比如p<0.05）的对比结果才有统计意义，非显著结果说明没有足够证据支持组间存在差异。

3. 优势比的尺度

输出中的优势比是logit尺度对比结果的指数转换。输出里明确标注了“Tests are performed on the log odds ratio scale”，即先在logit尺度（也就是log(odds)）上完成组间差异的假设检验，再对差异值取指数得到响应尺度的优势比。这样既保证了统计推断的合理性，又能输出更易解读的响应尺度结果。

内容的提问来源于stack exchange，提问作者Franelibethgalvez